أضف البيانات وجهّزها

أنشئ مجموعة البيانات#

افتح Annotate في الشريط الجانبي وانقر على New Dataset. يطلب مربع الحوار تحديد مصدر واسم ونوع المهمة وترخيص اختياري وتمويه الوجوه ومستوى الظهور:

قاعدة اتخاذ القرار: ارفع نسخةً لهذا الدرس. تُبقي مجموعات البيانات السحابية ومجموعات البيانات داخل مقر المؤسسة وحدات البكسل خارج المنصة، لذا لا تتوفر لها التعليقات التوضيحية الذكية أو التجميع أو الاستنساخ أو لقطات الإصدارات.

يحدد نوع المهمة الأدوات والنماذج التي تظهر. تدعم المنصة مهام Ultralytics YOLO السبع كلها:

مثال تطبيقي: تحقّق من مجموعة البيانات قبل رفعها#

تقبل المنصة صور JPEG وPNG وWebP وBMP وTIFF وHEIC وAVIF وJP2 وDNG وMPO حتى 50 MB، وبُعد لا يقل عن 28 px على الجانب الأقصر، وتقرأ تسميات YOLO وCOCO وLabelMe وNDJSON من Ultralytics أو Labelbox وأقنعة PNG الدلالية. يُكتشف تنسيق Pascal VOC XML، لكنه لا يُستورد. يتحقق هذا البرنامج النصي من مجموعة بيانات YOLO محلية وفقًا لهذه القواعد؛ وفي هذا المثال نستخدم مجموعة بيانات حبوب الدواء العامة:

from collections import Counter
from pathlib import Path

from PIL import Image

from ultralytics.data.utils import check_det_dataset

ACCEPTED = {".jpg", ".jpeg", ".png", ".webp", ".bmp", ".tif", ".tiff", ".heic", ".avif", ".jp2", ".dng", ".mpo"}
data = check_det_dataset("medical-pills.yaml")  # your local dataset YAML
root = Path(data["path"])

problems = Counter()
for split in ("train", "val", "test"):
    if not data.get(split):
        continue
    files = [p for p in Path(data[split]).rglob("*") if p.is_file()]
    images = [p for p in files if p.suffix.lower() in ACCEPTED]
    labeled = 0
    for img in images:
        label = Path(str(img).replace("images", "labels")).with_suffix(".txt")
        labeled += label.exists() and label.stat().st_size > 0
        if min(Image.open(img).size) < 28:
            problems["under 28 px (rejected)"] += 1
        if img.stat().st_size > 50 * 1024**2:
            problems["over 50 MB (rejected)"] += 1
    problems["unsupported files (skipped)"] += len(files) - len(images)
    print(f"{split:<5} {len(images):>4} images, {labeled:>4} labeled, {len(images) - labeled:>3} background")
problems["Pascal VOC .xml labels (not imported)"] += len(list(root.rglob("*.xml")))
print("classes:", data["names"])
print("problems:", {k: v for k, v in problems.items() if v} or "none")

train   92 images,   92 labeled,   0 background
val     23 images,   23 labeled,   0 background
classes: {0: 'pill'}
problems: none

ما الذي تخبرك به النتائج:

• أعداد كل تقسيم. تحتفظ الصور الموجودة في مجلدات train/ وval/ وtest/ بالتقسيم نفسه عند الرفع، لذا فهذه هي الأعداد التي ستعرضها المنصة. ويعني غياب السطر val أن المنصة ستنشئ لك تقسيم تحقق عشوائيًا (راجع المشكلة أدناه).
• صور الخلفية (من دون ملف تسمية) مقبولة باعتدال؛ فهي تعلّم النموذج شكل «عدم وجود شيء هنا». أما وجود المئات منها فيعني عادةً أن التسميات لم تُصدَّر بنجاح.
• problems: none تعني أن كل صورة ستُعالَج. وأي عدد يظهر هنا يشير إلى ملف سينتهي به المطاف في علامة التبويب Errors أو لن يصل مطلقًا.

اضغط مجلد مجموعة البيانات في ملف ZIP مع data.yaml، ثم اسحب الأرشيف إلى المعرض. تكتشف المنصة التنسيق تلقائيًا، وتخزّن الصور المتطابقة مرة واحدة، وتسألك إن كنت تريد التخطي أو الاحتفاظ بكليهما أو الاستبدال عند تعارض ملف مرفوع مع صور موجودة بالفعل في مجموعة البيانات.

مثال تطبيقي: عاين الفيديو قبل أن تفعل المنصة ذلك#

تأخذ المنصة عينة من كل فيديو بمعدل إطار واحد في الثانية، وتحتفظ بما لا يزيد على 100 إطار، مع زيادة الفاصل الزمني للمقاطع التي تتجاوز مدتها 100 ثانية:

هذا مناسب لإلقاء نظرة سريعة، لكنه لا يلائم معظم المشاريع الحقيقية: إذ يتحول تسجيل وردية مدتها 30 دقيقة إلى 100 إطار، معظمها لممر فارغ. خذ عينات من اللقطات الطويلة بنفسك وارفع الإطارات:

لأخذ عينات منتظمة، يكفي FFmpeg:

mkdir -p frames
ffmpeg -i source.mp4 -vf fps=1 frames/%06d.jpg

لأخذ عينات موجّهة بالأحداث، دع نموذج YOLO مُدرّبًا مسبقًا من Ultralytics يحتفظ بالإطارات التي يظهر فيها العنصر المطلوب فقط:

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # or your latest fine-tune
out = Path("frames")
out.mkdir(exist_ok=True)

source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"
seen = kept = 0
for i, result in enumerate(model.predict(source, stream=True, vid_stride=5, classes=[0], conf=0.5, verbose=False)):
    seen += 1
    if len(result.boxes):  # keep only frames where a person was detected
        cv2.imwrite(str(out / f"frame_{i:05d}.jpg"), result.orig_img)
        kept += 1
print(f"Kept {kept} of {seen} sampled frames")

Kept 12 of 12 sampled frames

يفحص vid_stride=5 كل إطار خامس، ويقصر classes=[0] الكشف على الأشخاص، ويتجاهل conf=0.5 التوقعات ضعيفة الثقة. يحتوي هذا المقطع التوضيحي المزدحم على أشخاص في كل إطار مأخوذ كعينة؛ أما في تسجيل لمشهد فارغ في معظمه، فستنخفض نسبة الإطارات المحتفَظ بها بشدة، وكذلك تكلفة وضع التسميات. ارفع قيمة vid_stride حتى لا تعود الإطارات المتجاورة المحتفَظ بها متطابقة في مظهرها.

اقرأ مؤشرات المعالجة في المنصة#

بعد الرفع، تتحقق المنصة من الملفات، وتوحّد تنسيقها (مع تغيير حجم الصور التي تتجاوز 4,096 px)، وتنشئ صورًا مصغرة، وتحلل التسميات، وتحسب الإحصاءات. تحقّق من ثلاثة مواضع:

• تظهر علامة التبويب Errors عند تعذّر معالجة ملفات فقط: الملفات التالفة، أو التنسيقات غير المدعومة، أو الصور التي يقل حجمها عن 28 px، أو الصور ذات أنماط الألوان CMYK والألوان المفهرسة؛ ويظهر مع كل منها تلميح للإصلاح. أعد تصدير هذه الملفات أو رفعها.
• تعرض علامة التبويب Charts توزيع التقسيمات، والفئات الأكثر شيوعًا، وأبعاد الصور، وأحجام الملفات، ومواضع التعليقات التوضيحية، وأحجام الصناديق، وعدد العناصر في كل صورة. ابحث عن فئة نادرة الظهور، أو صور صغيرة جدًا، أو صناديق متجمعة في زاوية واحدة.
• تُظهر الشارة في رأس مجموعة البيانات Ready بعد اكتمال المعالجة، شريطة أن تضم مجموعة البيانات صورة واحدة على الأقل من train، وصورة واحدة من val أو test، وصورة واحدة عليها تسمية. انقر على Not Ready لمعرفة الشرط غير المستوفى.

ابدأ بمجموعة بيانات عامة#

لا توجد بيانات بعد؟ تعرض صفحة الاستكشاف مجموعات البيانات الرسمية ومجموعات المجتمع. ينسخ استنساخ مجموعة البيانات الصور والتعليقات التوضيحية والفئات إلى مساحة عملك، وتُحتسب ضمن مساحة التخزين لديك، كما يحتفظ افتراضيًا بإتاحة المصدر للعامة؛ لذا بدّل الإعداد في مربع الحوار إذا كنت ستضيف أي بيانات حساسة.

مواطن الخلل#